Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kurzusleírás
Gépi tanulási algoritmusok itt: Julia
Bevezető fogalmak
- Felügyelt és nem felügyelt tanulás Keresztellenőrzés és modellválasztás Bias/variance kompromisszum
Lineáris és logisztikus regresszió
(NaiveBayes és GLM)
- Bevezető fogalmak Lineáris regressziós modellek illesztése Modelldiagnosztika Naive Bayes Logisztikus regressziós modell illesztése Modell diszgnosztika Modellkiválasztási módszerek
Távolságok
- Mi az a távolság? Euklideszi városblokk koszinusz korreláció Mahalanobis Hamming MAD RMS Átlagos négyzetes eltérés
Dimenziócsökkentés
- Főkomponens-elemzés (PCA) Lineáris PCA kernel PCA valószínűségi PCA független CA
A regularizáció alapfogalmai Ridge regresszió Lasszó regresszió Főkomponens regresszió (PCR)
- Klaszterezés
K-means K-medoids DBSCAN Hierarchikus klaszterezés Markov klaszter algoritmus Fuzzy C-means klaszterezés
- Szabványos gépi tanulási modellek
(NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM csomagok)
Gradiensnövelő koncepciók K legközelebbi szomszédok (KNN) Döntési fa modellek Véletlenszerű erdőmodellek XGboost EvoTrees Támogatja a vektoros gépeket (SVM)
- Mesterséges idegi hálózat
(Fluxus csomag)
Sztochasztikus gradiens süllyedés és stratégiák Többrétegű perceptronok előrecsatolás és visszaterjedés Regularizálás Ismétlődő neurális hálózatok (RNN) Konvolúciós neurális hálózatok (Convnets) Autoencoders Hiperparaméterek
Követelmények
Ez a kurzus azoknak szól, akik már rendelkeznek adattudományi és statisztikai háttérrel.
21 Hours